آمار
| تعداد نشریات | 31 |
| تعداد شماره‌ها | 1,032 |
| تعداد مقالات | 9,124 |
| تعداد مشاهده مقاله | 10,390,535 |
| تعداد دریافت فایل اصل مقاله | 8,600,463 |
نمایه‌سازی تصاویر بر اساس موتورهای جستجو در بازیابی تصاویر نمایه شده مبتنی برمتن و مبتنی بر محتوا با استفاده از تکنیک دلفی | ||
| مطالعات کتابداری و علم اطلاعات | ||
| مقاله 2، دوره 15، شماره 2، تیر 1402، صفحه 21-36 اصل مقاله (532.76 K) | ||
| نوع مقاله: علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22055/slis.2021.33777.1741 | ||
| نویسندگان | ||
| سودابه درخشنده* 1؛ فرشته سپهر2؛ زهرا اباذری3؛ نشانه pakdaman3 | ||
| 1دانشجوی دکتری علم اطلاعات و دانش‌شناسی، واحد تهران شمال، دانشگاه آزاد اسلامی، ایران | ||
| 2استادیار گروه علم اطلاعات و دانش‌شناسی، واحد تهران شمال، دانشگاه آزاد اسلامی، ایران | ||
| 3دانشیار گروه علم اطلاعات و دانش‌شناسی، واحد تهران شمال، دانشگاه آزاد اسلامی، ایران | ||
| چکیده | ||
| هدف: نمایه‌سازی تصاویر بر اساس موتورهای جستجو در بازیابی تصاویر نمایه شده مبتنی برمتن و مبتنی بر محتوا با استفاده از تکنیک دلفی است. روش‌شناسی: ازنظر هدف، کاربردی و نوع پژوهش با استفاده از تکنیک دلفی است. جامعه آماری شامل کلیه متخصصان شاغل در دفاتر روزنامه‌های سراسری کشور در شهر تهران بوده که به‌تمامی پنج موتور جستجوی موردمطالعه اشراف و تسلط کافی داشته‌اند. تعداد این متخصصان 16 نفر به‌عنوان نمونه در دسترس در حوزه موردمطالعه بوده است. برای گردآوری داده‌ها با روش اسنادی به استخراج گویه های پژوهش و تدوین پرسشنامه دلفی پرداخته شد. متخصصان با بیست سؤال برمبنای طیف پنج گزینه‌ای لیکرت در طی چهار مرحله به اجماع کلی رسیدند. نتایج آزمون ضریب توافقی کندال برای مشخص نمودن میزان هماهنگی و اتفاق‌نظر میان پاسخ متخصصان در هر دور جهت تطبیق و مقایسه گزارش داده شد. با تائید پرسشنامه در بخش کیفی روایی محتوا، ضریب روایی کیفی محتوای پرسشنامه بالاتر از 78/0 و شاخص روایی محتوا بالاتر از 79/0 گزارش شد. پایایی پرسشنامه نیز بر اساس ضریب آلفای کرونباخ برابر با 916/0 سنجیده شد. یافته‌ها: نشان داد موتور جستجوی Google از میزان بازیابی تصاویر بیشتری بر اساس شاخصه‌های ارزیابی‌شان برخوردارمی باشد. میان موتورهای جستجوی موردمطالعه از دیدگاه متخصصان درزمینۀ بازیابی تصاویر بر اساس نمایه‌سازی مبتی برمتن تفاوت معناداری در سطح 05/0 وجود نداشته است. موتور جستجوی Yandex، از میزان بازیابی تصاویر بر اساس نمایه‌سازی مبتنی بر محتوای بیشتری در سطح 05/0 برخوردارمی باشد. همچنین موتور جستجوی Google به‌صورت معناداری در سطح 05/0 ازلحاظ بازیابی تصاویر بر اساس حوزه‌های موردپژوهش کارآمدترمی باشد. نتیجه‌گیری: مشخص شد که موتورهای جستجو عمومی گوگل نسبت به موتورهای جستجوی دیگر (yahoo، bing،pinterest و yandex) عملکرد بهتری در بازیابی تصاویر دارند؛ همچنین جستجو گران تصاویر در وب می‌توانند در انتخاب موتور جستجوی متناسب با نیاز خود و طراحان داخلی برای طراحی بهتر تصمیم‌گیری کنند. علاوه بر آن، نیز این نتایج به حوزه‌های مشابه قابل‌تعمیم است و نیز طراحان موتورهای جستجو درمی‌یابند که برای بازیابی بهتر تصاویر از کدام روش نمایه‌سازی استفاده نمایند. | ||
| کلیدواژه‌ها | ||
| بازیابی تصاویر؛ موتور جستجو؛ نمایه‌سازی تصاویر؛ نمایه‌سازی متنی؛ نمایه‌سازی محتوا | ||
| مراجع | ||
|
Abbasi Dashtaki, N., & Cheshmeh Sohrabi, M. (2019). Google, Yahoo and Bing Search Engines' Performance in the Persian information retrieval: A Fuzzy and classical evaluation. Librarianship and Information Organization Studies, 30(2), 96-111. [In Persian]
Abbaspour, J. (2005). Indexing images of challenges and approaches. Library Magazine, 9 (44), 167-177. [In Persian]
Abolghasem Mosalman, T., Momeni, E., & Haji Zeinolabedini, M. (2016). The Rate of the Precision in the Audio Visual Retrieval Resource by K-Means Algorithm. Library and Information Science Research, 6(2), 321-337. [In Persian]
Baxter, G., & Anderson, D. (1995). Image indexing and retrieval: some problems and proposed solutions. New Library World, 96(6), 4-13.
Choi, Y., & Rasmussen, E. M. (2003). Searching for images: The analysis of users' queries for image retrieval in American history. Journal of the American Society for Information Science and Technology, 54(6), 498-511.
Chu, H. (2001). Research in image indexing and retrieval as reflected in the literature. Journal of the American Society for Information Science and Technology, 52(12), 1011-1018.
Dhingra, S., & Bansal, P. (2020). Experimental analogy of different texture feature extraction techniques in image retrieval systems. Multimedia Tools and Applications, 79(37), 27391-27406.
Diamant, E. (2007). Modeling human-like intelligent image processing: An information processing perspective and approach. Signal Processing: Image Communication, 22(6), 583-590
Ebrahimi, N. (2017). An introduction to illustrating children's books. Tehran: Roozbehan Publications. [In Persian]
Esfandiari Moghadam, A., & Bahari Mowaffaq, Z. (2009). Features of search in web search engines a list-based approach.287 review. Quarterly Journal of Information Science and Technology, 25(2), 265. [In Persian]
Fathian, M. (2013). Content retrieval of images based on machine learning through user interaction. University of Kurdistan, Faculty of Engineering, Master's Thesis in Computer Engineering. [In Persian]
Hassan, I., & Zhang, J. (2001). Image search engine feature analysis. Online information review, 25(2), 103-114.
Kidambi, P. (2010). Human-Computer Integrated Approach towards Content Based Image Retrieval, Wright State University.
Lakdashti, A. (2009). Indexing and retrieving image data based on content and visual semantics in the image database. Islamic Azad University, Tehran Science and Research Branch, PhD thesis in Computer Science. [In Persian]
Ozendi, M. (2010). Viewpoint Independent Image Classification and Retrieval, Ohio State University. Review of Image Search Engines (2013). http://tasi.ac.uk/resources/searchengines. (Accessed 28 April 2013).
Poor Sistani, P. (2011). Evaluation of effective factors in content indexing and retrieval based on content in JPEG intensive field. Payame Noor University, Master Thesis in Computer Engineering, Faculty of Computer and Information Technology. [In Persian]
Qasemi Aluri, M., & Abbasi Dashtaki, N. (2019). Investigating the performance of public search engines and super engines in retrieving information in the field of information science and their degree of overlap. Quarterly Journal of Information Management Science and Technology, 5(2), 91-118. [In Persian]
Rigi, T., Dayani, M. H., & Fattahi, R. (2019). Phenomenology of qualitative research methodology in information retrieval studies. Quarterly Journal of National Library and Information Studies, 30(2), 18-38. [In Persian]
Scherer, R. (2020). Image retrieval and classification in relational databases. Springer: Cham.
Souri, F. (2013). Search engine evaluation in image retrieval based on text and content based indexing. Master Thesis. Islamic Azad University, Faculty of Humanities, Department of Library and Information Science. [In Persian]
Tang, Y. P., Shimizu, E., Dube, G. R., Rampon, C., Kerchner, G. A., Zhuo, M., ... & Tsien, J. Z. (1999). Genetic enhancement of learning and memory in mice. Nature, 401(6748), 63-69.
Vassilieva, N. S. (2009). Content-based image retrieval methods. Programming and Computer Software, 35(3), 158-180. | ||
|
آمار تعداد مشاهده مقاله: 892 تعداد دریافت فایل اصل مقاله: 192 |
||